CN115586254A - 一种基于卷积神经网络识别金属材料的方法及系统 - Google Patents
一种基于卷积神经网络识别金属材料的方法及系统 Download PDFInfo
- Publication number
- CN115586254A CN115586254A CN202211213522.0A CN202211213522A CN115586254A CN 115586254 A CN115586254 A CN 115586254A CN 202211213522 A CN202211213522 A CN 202211213522A CN 115586254 A CN115586254 A CN 115586254A
- Authority
- CN
- China
- Prior art keywords
- metal sample
- time
- neural network
- convolutional neural
- identified
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 107
- 238000000034 method Methods 0.000 title claims abstract description 83
- 239000007769 metal material Substances 0.000 title claims abstract description 51
- 239000002184 metal Substances 0.000 claims abstract description 223
- 229910052751 metal Inorganic materials 0.000 claims abstract description 223
- 238000012549 training Methods 0.000 claims abstract description 85
- 238000012545 processing Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 34
- 210000002569 neuron Anatomy 0.000 claims description 29
- 238000011176 pooling Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 17
- 230000004044 response Effects 0.000 claims description 17
- 230000004913 activation Effects 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 10
- 230000009849 deactivation Effects 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000009659 non-destructive testing Methods 0.000 abstract description 3
- 239000000523 sample Substances 0.000 description 227
- 239000000463 material Substances 0.000 description 11
- 238000001994 activation Methods 0.000 description 10
- 238000001228 spectrum Methods 0.000 description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 10
- 238000012360 testing method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 239000007822 coupling agent Substances 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 6
- 230000000670 limiting effect Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000011478 gradient descent method Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 150000002739 metals Chemical class 0.000 description 3
- 230000002860 competitive effect Effects 0.000 description 2
- 239000013078 crystal Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000002779 inactivation Effects 0.000 description 2
- 210000004205 output neuron Anatomy 0.000 description 2
- 239000004033 plastic Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000010963 304 stainless steel Substances 0.000 description 1
- 229910000589 SAE 304 stainless steel Inorganic materials 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/22—Details, e.g. general constructional or apparatus details
- G01N29/24—Probes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/22—Details, e.g. general constructional or apparatus details
- G01N29/30—Arrangements for calibrating or comparing, e.g. with standard objects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4409—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison
- G01N29/4436—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison with a reference signal
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4454—Signal recognition, e.g. specific values or portions, signal events, signatures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4481—Neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/01—Indexing codes associated with the measuring variable
- G01N2291/015—Attenuation, scattering
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/023—Solids
- G01N2291/0234—Metals, e.g. steel
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Health & Medical Sciences (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Acoustics & Sound (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Image Analysis (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明一种基于卷积神经网络识别金属材料的方法及系统,属于无损检测技术领域,其方法包括:1)分别采集标准金属试样的时域信号和待识别金属试样的时域信号;2)将标准金属试样的时域信号和待识别金属试样的时域信号分别进行短时傅里叶变换处理,将时域信号转换为时频谱图;3)构建卷积神经网络结构;4)将缩放后标准金属试样的时频谱图输入卷积神经网络结构中进行训练,对网络参数进行更新,生成二分类卷积神经网络结构;5)将缩放后待识别金属试样的时频谱图输入训练好的卷积神经网络中,提取待识别金属试样的时频谱图的特征向量,判断待识别金属试样的时频谱图的特征向量是否与标准金属试样的时频谱图的特征向量相同。
Description
技术领域
本发明属于无损检测技术领域,涉及通过卷积神经网络无损检测技术,具体为一种基于卷积神经网络识别金属材料的方法及系统。
背景技术
近年来,原材料价格不断上升,部分商家为了谋取利益,利用廉价的金属代替价格昂贵的金属,极大的影响了人们的生产生活,因此,金属材料的真伪识别在工业、军事以及文物鉴定等领域有着广泛的应用。
目前,辨别金属材料的方法有很多,物理方法如:感官识别、断口识别、火花识别等;化学方法如:滴定分析方法、重量分析法、容量分析法等。但上述方法对于金属本身都具有破坏性,部分操作较为复杂,很难大范围应用。
在现有的研究技术中,还有采用超声衰减谱相关系数法和加权欧式距离法等对金属样品进行识别,但现有的研究存在一定的局限,如:由于探头具有指向性,采集信号时,必须严格控制将探头放置在同一位置同一方向上,在实际操作中,这一点很难做到,若其中一个采集错误,与其他信号相差较大,对整个实验结果就有很大的影响,因此,其对操作的精确度和探头的要求较高。
发明内容
针对上述所描述的现有技术中材料的鉴别方法会对金属材料本申请产生破坏性或者检测设备对操作要求高的问题,本发明提出了一种基于卷积神经网络识别金属材料的方法及系统。
本发明采用超声无损识别技术对金属材料进行数据采集,超声无损识别具有非破坏性、操作简单、直接快速、准确度高、适用范围广等特点,避免了对金属材料本申请产生破坏,同时也避免了操作要求高的问题,超声波在金属材料中传播时,由于金属晶粒的影响发生散射,对携带金属晶粒信息的反射及散射信号提取特征量进行分析,就可以实现识别,响应快速;其具体技术方案如下:
一种基于卷积神经网络识别金属材料的方法,包括以下步骤:
1)分别采集标准金属试样的时域信号和待识别金属试样的时域信号;
2)将标准金属试样的时域信号和待识别金属试样的时域信号分别进行短时傅里叶变换处理,将时域信号转换为时频谱图;将标准金属试样的时频谱图和待识别金属试样的时频谱图进行缩放;
3)构建卷积神经网络结构;
4)将步骤2)缩放后标准金属试样的时频谱图输入卷积神经网络结构中进行训练,对网络参数进行更新,生成二分类卷积神经网络结构;
5)将步骤2)缩放后待识别金属试样的时频谱图输入步骤4)中训练好的二分类卷积神经网络结构中,提取待识别金属试样的时频谱图的特征向量,判断待识别金属试样的时频谱图的特征向量是否与标准金属试样的时频谱图的特征向量相同。
进一步限定,所述步骤2)具体为:
将标准金属试样的时域信号和待识别金属试样的时域信号分别进行短时傅里叶变换处理,将时域信号转换为875×656的通道数为3的RGB格式的时频谱图,利用双线性插值法将标准金属试样的时频谱图和待识别金属试样的时频谱图进行缩放。
进一步限定,所述步骤3)具体为:
3.1)构建基础层:
基础层包括多个基础单元,上一层基础单元的输出值为下一层基础单元的输入值,最终输出末层卷积层输出值;
3.2)构建Softmax层
通过Softmax函数将末层卷积层输出值转化为在[0,1]区间内的分布概率值Softmax(zm),进行分类,分类的表达是为:
zm为第m个神经元的输出值,z1为第1个神经元的输出值,z2为第2个神经元的输出值,为第m个神经元的输出值的指数形式,m是神经元的个数,为第1个神经元的输出值的指数形式,为第2个神经元的输出值的指数形式;
3.3)计算交叉熵损失函数:
交叉熵损失函数Loss是指卷积神经网络输出值与实际值的偏离函数,完成卷积神经网络结构的构建;
其中,交叉熵损失函数Loss的表达式为:
N表示样本的个数。
进一步限定,所述步骤3.1)具体为:
基础单元包括第一单元和第二单元,第一单元包括卷积层,第二单元包括激活层、最大池化层、局部响应规范层或随机失活层中的一种或两种以上的组合;第一单元的输出值为第二单元的输入值,所述第二单元内上一层的输出值为下一层的输入值;
所述卷积层的构建过程为:根据输入图片的尺寸构建卷积核,卷积核的网络参数随机进行初始化,初始化的网络参数随着网络训练进行迭代更新,形成新的特征值进行输出。
进一步限定,所述步骤4)具体为:将缩放后标准金属试样的时频谱图输入卷积神经网络结构中进行训练,对网络参数进行更新,生成二分类卷积神经网络结构,分别为与标准金属试样相同以及与标准金属试样不同。
进一步限定,所述卷积神经网络结构对缩放后标准金属试样的时频谱图的训练过程为:通过卷积神经网络结构中的各单元层对缩放后标准金属试样的时频谱图的特征信息进行层层提取,将图像信息抽象成为初步特征向量,通过反向传播网络的方式对网络参数进行多次修正,使得缩放后标准金属试样的初步特征向量被网络参数记录,形成缩放后标准金属试样的特征向量。
进一步限定,所述通过反向传播网络的方式对网络参数进行多次修正的算法为:
vδ←μ·vδ-η·g
ωδ←ωδ-1+vδ
其中,ω为待学习参数,η为学习率,g为一阶梯度值,L为损失函数,δ表示第δ轮训练,μ为动量因子,vδ表示第δ轮训练之后的动量。
进一步限定,所述步骤5)具体为:将缩放后待识别金属试样的时频谱图输入二分类卷积神经网络结构中进行识别,提取待识别金属试样的时频谱图的特征向量,与训练完后形成的标准金属试样的时频谱图的特征向量进行对比,判断待识别金属试样的时频谱图的特征向量是否与标准金属试样的时频谱图的特征向量相同,若相同,则待识别金属试样与标准金属试样相同,若不同,则待识别金属试样与标准金属试样不同。
利用上述的基于卷积神经网络识别金属材料的方法所形成的基于卷积神经网络识别金属材料的系统,包括时域信号采集模块、转换模块、卷积神经网络构件模块、标准金属试样训练模块以及识别模块,
所述时域信号采集模块:用于采集标准金属试样的时域信号和待识别金属试样的时域信号;
所述转换模块:用于将标准金属试样的时域信号和待识别金属试样的时域信号分别进行短时傅里叶变换处理,将时域信号转换为时频谱图;将标准金属试样的时频谱图和待识别金属试样的时频谱图进行缩放;
所述卷积神经网络构件模块:用于构建卷积神经网络结构;
所述标准金属试样训练模块:用于将缩放后标准金属试样的时频谱图输入卷积神经网络结构中进行训练,对网络参数进行更新,生成二分类卷积神经网络结构;
所述识别模块:用于将缩放后待识别金属试样的时频谱图输入训练好的二分类卷积神经网络结构中,提取待识别金属试样的时频谱图的特征向量,判断待识别金属试样的时频谱图的特征向量是否与标准金属试样的时频谱图的特征向量相同。
一种计算机可读存储介质,存储有程序文件,所述程序文件被执行实现上述的基于卷积神经网络识别金属材料的方法。
与现有技术相比,本发明的有益效果在于:
1、本发明一种基于卷积神经网络识别金属材料的方法,其通过获取金属材料超声反射及散射信号,通过短时傅里叶变换提取出金属材料的二维时频特征,该时频谱图将金属材料在时域上的厚度信息和金属材料内部的反射以及衰减等特征与金属材料在频域上的每个频点的能量等特征相结合,相比于现有技术提取时域或频域的全局特征的方法,本发明具有特征关联度更高、特征显著性更强的优势。同时本发明采用超声无损识别技术对金属材料进行时域信号数据采集,超声无损识别具有非破坏性、操作简单、直接快速、准确度高、适用范围广等特点,避免对金属材料本申请产生破坏,同时也避免了操作要求高的问题,超声波在金属材料中传播时,由于金属晶粒的影响发生散射,对携带金属晶粒信息的反射及散射信号提取特征量进行分析,就可以实现识别,响应快速。
2、现有技术是将金属材料的超声信号按某一指定特征进行特征提取,例如衰减特征、信号幅值特征和某种声信号特征等参数,而本发明的卷积神经网络会根据训练时的不断深度学习和反馈情况,对多个特征进行不同权重的提取,其中不仅包含了金属材料中信号的幅值差异特征、信号衰减特征等情况也包含了无法简单线性表示的金属内部微结构的其他差异带来的区别,从而实现全方面的提取金属材料的特征。
3、本发明所用的超声信号采集系统为相控阵系统,可以根据实际金属材料的特性来调节入射超声波的入射角、波阵面、探头晶片激励方式等参数,从而得到一束更为适合实际金属材料识别的超声波,提高识别的准确率。
4、本发明的方法克服了传统的金属材料辨别方法的不足,对金属材料无破坏性,具有操作简单、成本低、效率高、适用范围广、识别结果准确合理等特点,适于推广应用。
附图说明
图1为本申请搭建的卷积神经网络结构示意图;
图2为实施例1金属标准试样的时域信号;
图3为实施例1经过短时傅里叶变换之后金属标准试样的时频谱图;
图4为实施例1三种不同材料样品的时域信号;
图5为实施例1三种不同材料样品的时频谱图;
图6为实施例1三种不同材料样品网络模型训练过程损失函数图像;
图7为实施例1三种不同材料样品网络模型训练过程准确率变化图;
图8为实施例2三种相同材料样品的时域信号;
图9为实施例2三种相同材料样品的时频谱图;
图10为实施例2三种相同材料样品网络模型训练过程损失函数图像;
图11为实施例2三种相同材料样品网络模型训练过程准确率变化图;
图12为最大池化运算过程示意图;
图13为训练阶段与测试阶段的权重示意图。
具体实施方式
下面结合附图及实施例对本发明的技术方案进行进一步地解释说明,但本发明并不限于以下说明的实施方式。
一种基于卷积神经网络识别金属材料的方法,包括以下步骤:
1)按照常规超声采集方法采集标准金属试样的时域信号和待识别金属试样的时域信号;
2)将标准金属试样的时域信号和待识别金属试样的时域信号分别进行短时傅里叶变换处理,将时域信号转换为875×656的通道数为3的.RGB格式的时频谱图,然后利用双线性插值法将时频谱图的尺寸缩放至227×227的尺寸大小;
3)构建卷积神经网络结构;
4)训练卷积神经网络,将步骤2)缩放后标准金属试样的时频谱图输入卷积神经网络结构中进行训练,对网络参数进行更新,最终生成二分类卷积神经网络结构,分别为与标准金属试样相同以及与标准金属试样不同;
5)将步骤2)缩放后待识别金属试样的时频谱图输入步骤4)中训练好的的二分类卷积神经网络结构中,提取待识别金属试样的时频谱图的特征向量,判断待识别金属试样的时频谱图的特征向量是否与标准金属试样的时频谱图的特征向量相同。
步骤3)具体为:
3.1)构建基础层:
基础层包括多个基础单元,上一层基础单元的输出值为下一层基础单元的输入值,最终输出末层卷积层输出值;
3.2)构建Softmax层
通过Softmax函数将末层卷积层输出值转化为在[0,1]区间内的分布概率值Softmax(zm),进行分类,分类的表达是为:
zm为第m个神经元的输出值,z1为第1个神经元的输出值,z2为第2个神经元的输出值,为第m个神经元的输出值的指数形式,m是神经元的个数,为第1个神经元的输出值的指数形式,为第2个神经元的输出值的指数形式;
3.3)计算交叉熵损失函数:
其中,交叉熵损失函数Loss的表达式为:
N表示样本的个数。
步骤3.1)具体为:
基础单元包括第一单元和第二单元,第一单元包括卷积层,第二单元包括激活层、最大池化层、局部响应规范层或随机失活层中的一种或两种以上的组合;第一单元的输出值为第二单元的输入值,第二单元内上一层的输出值为下一层的输入值;
卷积层的构建过程为:根据输入图片的尺寸构建卷积核,卷积核的网络参数随机进行初始化,初始化的网络参数随着网络训练进行迭代更新,形成新的特征值进行输出。具体的,每个卷积核均与标准金属试样的时频谱图做卷积运算提取特征,并将输出值组成新的特征矩阵传递至下一层,卷积层的运算过程如下:
第一次卷积运算:
参见上述的第一次卷积运算、第二次卷积运算、第三次卷积运算、第四次卷积运算、第五次卷积运算以及第五次卷积运算,以二维图像为例,输入一个大小为5X5的图像,pad=0,边界填充后,尺寸大小仍然为5×5(填充为0),使用大小为3×3的卷积核进行卷积运算,第一次卷积从图像的第一个像素开始,由卷积核中网络参数与对应位置图像像素逐位相乘后累加作为一次卷积操作结果(偏置项设置为0),每一次卷积运算的结果计算如下:
y表示输出特征,wi,j表示第i行第j列的卷积核元素大小(即权重),xi,j表示输入图像中被卷积核覆盖部分第i行第j列的元素大小,convsize表示卷积核的大小,b为偏置项(bias)。
其输出特征图尺寸outMapsize计算公式如下:
其中,inMAPsize表示每一个输入图片的大小,convsize为卷积核的大小,convstride表示卷积核在输入图像上每次移动的步长;pad值代表填充层数。通常情况下,要保证(1)式可以整除。
激活层的构建过程为:使用非线性激活函数对输入值(上一层的输出值)传递的特征值进行非线性激活,形成非线性特征值进行输出,从而增强网络的表达能力,其中,非线性激活函数为ReLU函数;ReLU函数的非线性激活过程如下:
其中,y为输入矩阵的元素值,Y表示经过ReLU函数的非线性激活后的输出值;
最大池化层的构建过程为:通过池化核对输入值进行有规律的移动,将对应的区域进行压缩和特征提取,确定池化核覆盖区域的最大元素作为池化核的输出值,形成输出特征值进行输出;最大池化运算过程如下矩阵所示:
参见图12为最大池化运算过程示意图:
输出特征值的尺寸PoutMapsize计算公式如下:
poolsize为池化核的大小,pad为填充层数,PinMapsize表示输入特征值的尺寸;
局部响应规范层的构建过程为:对输入值的局部神经元的活动创建竞争环境,形成规范化值进行输出,具体的,将ReLU函数激活层的输出值作为局部响应规范层的输入值,对局部神经元的活动创建竞争环境,使响应较大的值变得相对更大,并抑制其他反馈较小的神经元,增强模型的泛化能力;的计算公式为:
a为卷积核的通道序号,(i,j)为第a个通道的卷积核对应的位置,为第a个通道的卷积核在(i,j)位置处进经过非线性激活后的值,n为局部响应规范层的相邻深度卷积核的数目,M为局部响应规范层的所有卷积核的数目,k、n、α、β均为超参数;t表示卷积核的通道序号;
随机失活层的构建过程为:对于卷积层、激活层、最大池化层或局部响应规范层中任意一层或任意多层的输出值的神经元进行训练和测试,训练的权重为p,在训练时以概率p=0.5随机令训练权重为0,0表示失活状态,测试时卷积层、激活层、最大池化层或局部响应规范层对应输出值的神经元均为激活状态,为使训练阶段与测试阶段的权重拥有相同的期望,测试阶段的权重为1-p,形成权重输出值进行输出,随机失活方法可以缓解其他神经元对该神经元反向传导来的梯度信息的影响,降低神经元之间的依赖程度,增加每层各个特征之间的正交性,从而避免网络过拟合现象的发生;训练阶段与测试阶段的权重如下:
参见图13为训练阶段与测试阶段的权重示意。
参见图1,是本申请形成的卷积神经网络结构示意图之一,其基础层包括8个基础单元,分别为依次连接的第一基础单元、第二基础单元、第三基础单元、第四基础单元、第五基础单元、第六基础单元、第七基础单元以及第八基础单元,第一基础单元包括依次连接的卷积层(Conv)、激活层(ReLU)、局部响应规范层(LRN)和最大池化层(Max pool),其卷积层(Conv)的输出值为激活层(ReLU)的输入值,激活层(ReLU)的输出值为局部响应规范层(LRN)的输入值,局部响应规范层(LRN)的输出值与最大池化层(Max pool)的输入值,最大池化层(Max pool)的输出值为第二基础单元的输入值;第二基础单元包括依次连接的卷积层(Conv)、激活层(ReLU)、局部响应规范层(LRN)和最大池化层(Max pool),其中,卷积层(Conv)的输入值为第一基础单元的输出值,卷积层(Conv)的输出值为激活层(ReLU)的输入值,激活层(ReLU)的输出值为局部响应规范层(LRN)的输入值,局部响应规范层(LRN)的输出值为最大池化层(Max pool)的输入值,最大池化层(Max pool)的输出值为第三基础单元的输入值;第三基础单元包括依次连接的卷积层(Conv)和激活层(ReLU),其中,卷积层(Conv)的输入值为第二基础单元的输出值,卷积层(Conv)的输出值为激活层(ReLU)的输入值,激活层(ReLU)的输出值为第四基础单元的输入值;第四基础单元包括依次连接的卷积层(Conv)和激活层(ReLU),其中,卷积层(Conv)的输入值为第三基础单元的输出值,卷积层(Conv)的输出值为激活层(ReLU)的输入值,激活层(ReLU)的输出值为第五基础单元的输入值;第五基础单元包括依次连接的卷积层(Conv)、激活层(ReLU)和最大池化层(Max pool),其中,卷积层(Conv)的输入值为第四基础单元的输出值,卷积层(Conv)的的输出值为激活层(ReLU)的输入值,激活层(ReLU)的输出值为最大池化层(Max pool)的输入值,最大池化层(Max pool)的输出值为第六基础单元的输入值;第六基础单元包括依次连接的卷积层(Conv)、激活层(ReLU)和随机失活层(Dropout),其中,卷积层(Conv)的输入值为第五基础单元的输出值,卷积层(Conv)的输出值为激活层(ReLU)的输入值,激活层(ReLU)的输出值为随机失活层(Dropout)的输入值,随机失活层(Dropout)的输出值为第七基础单元的输入值;第七基础单元包括依次连接的卷积层(Conv)、激活层(ReLU)和随机失活层(Dropout),其中,卷积层(Conv)的输入值为第六基础单元的输出值,卷积层(Conv)的输出值为激活层(ReLU)的输入值,激活层(ReLU)的输出值为随机失活层(Dropout)的输入端,随机失活层(Dropout)的输出端与第八基础单元的输入值;第八基础单元包括卷积层(Conv),其中,卷积层(Conv)的输入值为第七基础单元的输出值,卷积层(Conv)的输出值为末层卷积层输出值,即Softmax层的输入值。
步骤4)具体为:将缩放后标准金属试样的时频谱图输入卷积神经网络结构中进行训练,通过卷积神经网络结构中的各单元层(各单元层是指卷积神经网络结构的卷积层、激活层、最大池化层、随机失活层和/或Softmax层等)对缩放后标准金属试样的时频谱图的特征信息进行层层提取,将图像信息抽象成为初步特征向量,通过反向传播网络的方式对网络参数进行多次修正,使得缩放后标准金属试样的初步特征向量被网络参数记录,形成缩放后标准金属试样的特征向量;生成二分类卷积神经网络结构,分别为与标准金属试样相同以及与标准金属试样不同。具体的,本申请是在MATLAB的Deep Learning Toolbox在GPU上进行训练,其训练超参数可根据电脑配置、训练集大小等进行调整,在面对不同的任务时,可以根据自身需求选取合适的优化算法进行使用,使网络的训练更加高效,本申请网络优化算法采用经典的基于动量的随机梯度下降法,它的原理是当进行每批次训练时根据损失函数计算网络的误差,并通过前几轮“动量”信息的积累对参数的更新给予一定辅助,然后进行误差的反向传播,之后根据一阶梯度信息对参数进行更新,其更新方法可表示如下:
vδ←μ·vδ-η·g
ωδ←ωδ-1+vδ
其中,ω为待学习参数,η为学习率,g为一阶梯度值,L为损失函数,δ表示训练次数,μ为动量因子,vδ表示第δ轮训练之后的动量可以进行静态设定与动态设定,静态设定一般取0.9,而动态设定时可以将初始值设为0.5,而随着训练的进行逐渐变为0.9或0.99。而当网络训练中后期网络参数逐渐收敛、震荡在局部最小值时,基于动量的随机梯度下降法还可以帮助网络突破局部限制,寻找更优参数。模型学习率也是模型训练过程中的一个关键设定,一个合适的学习率会使得模型能更好的收敛,而不理想的学习率不仅会降低网络性能,甚至会使得模型的目标函数损失值过大,使得训练失败。学习率一般设置为[0.001,0.01]之间,而且应当随着训练轮数增加而减缓,以提高训练的效率,并节省资源,假设原始修正率为Lr0,Cs为修正次数,LrCs为经Cs次修正后得到的修正率,其算法为:
其中,Fd为超参数,影响学习率减缓的幅度。倘若目标网络是在原先预训练的网络模型上,对新的目标任务数据进行训练,那么应该设置更小的学习率,如10-4数量级及以下。
步骤5)具体为:将缩放后待识别金属试样的时频谱图输入二分类卷积神经网络结构中进行识别,提取待识别金属试样的时频谱图的特征向量,与训练完后形成的标准金属试样的时频谱图的特征向量进行对比,判断待识别金属试样的时频谱图的特征向量是否与标准金属试样的时频谱图的特征向量相同,若相同,则待识别金属试样与标准金属试样相同,若不同,则待识别金属试样与标准金属试样不同。
优选的,本申请中标准金属试样的时频谱图和待识别金属试样的时频谱图的采集条件为:采集系统为超声相控阵系统,超声波收/发探头的中心频率为5MHz、晶片直径为10mm;超声波脉冲发射/接收仪脉冲重复频为500Hz、脉冲电压为100V、增益为20dB。每采集一次信号,需要抬起探头并在同一位置重新放置探头。标准金属试样的采集次数不少于50次,待识别金属试样的采集次数不少于20次。
利用上述的基于卷积神经网络识别金属材料的方法所形成的基于卷积神经网络识别金属材料的系统,包括时域信号采集模块、转换模块、卷积神经网络构件模块、标准金属试样训练模块以及识别模块,
时域信号采集模块:用于采集标准金属试样的时域信号和待识别金属试样的时域信号;
转换模块:用于将标准金属试样的时域信号和待识别金属试样的时域信号分别进行短时傅里叶变换处理,将时域信号转换为时频谱图;将标准金属试样的时频谱图和待识别金属试样的时频谱图进行缩放;
卷积神经网络构件模块:用于构建卷积神经网络结构;
标准金属试样训练模块:用于将缩放后标准金属试样的时频谱图输入卷积神经网络结构中进行训练,对网络参数进行更新,生成二分类卷积神经网络结构;
识别模块:用于将缩放后待识别金属试样的时频谱图输入训练好的二分类卷积神经网络结构中,提取待识别金属试样的时频谱图的特征向量,判断待识别金属试样的时频谱图的特征向量是否与标准金属试样的时频谱图的特征向量相同。
一种计算机可读存储介质,存储有程序文件,程序文件被执行实现上述的基于卷积神经网络识别金属材料的方法。
具体的,本申请一种基于卷积神经网络识别金属材料的方法,其包括以下步骤:
1)按照超声采集的方法采集标准金属试样的时域信号和待识别金属试样的时域信号;其中超声采集设备中超声波防伪识别装置的连接关系是:将超声波脉冲发射/接收仪通过数字示波器与计算机相连接,再将收/发探头与超声波脉冲发射/接收仪连接后置于标准金属试样表面/待识别金属试样表面,使收/发探头与标准金属试样/待识别金属试样用耦合剂耦合接触。超声波的采样参数为:超声波收/发探头的中心频率为5-6MHz、晶片直径为10mm;超声波脉冲发射/接收仪脉冲重复频为100Hz、脉冲电压为100V、增益为+8dB;数字示波器采样频率为5G S/s、采样时间为20μs、采样平均次数为2000次。每采集一次信号,需要重新放置探头,可提前标记好采集点,保证每次探头放置在金属表面同一位置处。探头可旋转较小的角度,提前规定好探头的指定方向,例如以探头线作为参考,每个信号的采集都需要在指定方向的[-5°,+5°]角度区间内。采用的耦合剂为水,每取一次信号,需要重新滴加耦合剂,尽量保证耦合剂用量相同,实验时可取一滴水。为得到正确的识别结果,可以依据实际情况确定信号的采集次数。但标准信号采集次数最好不少于50次,待识别信号的采集次数最好不少于20次,采集的回波信号图如图2所示。采用的耦合剂为水,每采集一次信号,需要重新滴加耦合剂,尽量保证耦合剂用量相同,实验时可取一滴水。
2)将标准金属试样的时域信号和待识别金属试样的时域信号分别进行短时傅里叶变换处理,将时域信号转换为时频谱图;将标准金属试样的时频谱图和待识别金属试样的时频谱图进行缩放;具体的,对于每一个样本时域信号,在MATLAB中调用spectrogram()函数进行短时傅里叶变换(STFT),得到该信号的时频谱图,如图3所示。
3)构建卷积神经网络结构;具体的,使用MATLAB的Deep Learning Toolbox进行卷积神经网络的搭建,其主程序中网络构建部分如下:
layers=[...
imageInputLayer([227 227 3])
convolution2dLayer(11,96,'Stride',4,'Padding',0)
reluLayer
crossChannelNormalizationLayer(5)
maxPooling2dLayer(3,'Stride',2)
convolution2dLayer(5,256,'Stride',1,'Padding',2)
reluLayer
crossChannelNormalizationLayer(5)
maxPooling2dLayer(3,'Stride',2)
convolution2dLayer(3,384,'Stride',1,'Padding',1)
reluLayer
convolution2dLayer(3,384,'Stride',1,'Padding',1)
reluLayer
convolution2dLayer(3,256,'Stride',1,'Padding',1)
reluLayer
maxPooling2dLayer(3,'Stride',2)
fullyConnectedLayer(4096)
reluLayer
dropoutLayer(0.5)
fullyConnectedLayer(4096)
reluLayer
dropoutLayer(0.5)
fullyConnectedLayer(2)
softmaxLayer
classificationLayer];
4)训练卷积神经网络:使用MATLAB的Deep Learning Toolbox在GPU上进行卷积神经网络的训练,具体的,将步骤2)缩放后标准金属试样的时频谱图输入卷积神经网络结构中组成训练集,在MATLAB中调用imresize()函数,使用双线性插值法调整频谱图尺寸的大小为227×227×3,输入卷积神经网络之中进行训练。设置卷积神经网络训练超参数时,网络优化算法采用经典的基于动量的随机梯度下降法,学习率随着训练轮次逐渐递减,其余超参数根据计算机性能以及训练集大小进行调整;生成二分类卷积神经网络结构;
其主程序中网络训练超参数设置部分可如下例子所示:
5)将步骤2)缩放后待识别金属试样的时频谱图输入步骤4)中的二分类卷积神经网络结构中,提取待识别金属试样的时频谱图的特征向量,判断待识别金属试样的时频谱图的特征向量是否与标准金属试样的时频谱图的特征向量相同。具体的,训练完成的每一个卷积神经网络模型均记录着对应训练样本的特征信息,作为数据库储存起来。然后编写相应程序,将待识别金属试样的时频谱图输入到已经训练好的卷积神经网络模型中进行特征提取,并对待测信号的类别进行预测。最后通过比较预测的结果与真实结果,对辨识结果进行评估。
实施例1
选取三种材料不同的金属制品进行识别:
实验样品:三个尺寸完全相同、成分相近、材料分别为Cr17Ni2(样品a)、2Cr13(样品b)、3Cr13(样品c)的圆柱形金属试样,3个样品直径均为50mm,厚度均为15mm。实验时选取样品a作为标准金属试样,样品a、样品b、样品c均作为待识别金属试样,实验前在样品表面贴好直角定位片,以便确保每次采集信号时的探头放置的位置相同。为尽可能保证实验条件相同,每取一次信号,需要用胶头滴管重新滴加耦合剂(水),用量为一滴。仪器装置连接:超声相控阵系统与计算机相连接,再将中心频率为5MHz的收/发探头与相控阵连接后置于待识别金属试样表面,使收/发探头与金属试样用耦合剂(水)耦合接触。操作相控阵软件,激励探头晶片发射超声波脉冲信号并接收到回波信号,最后将数据保存为.csv格式。
本实施例一种基于卷积神经网络识别金属材料的方法,其包括以下步骤:
1)按照超声采集的方法分别采集标准金属试样的时域信号和待识别金属试样的时域信号;
首先要确定在标准金属试样和待识别金属试样的金属材料表面确定信号采集的位置,本实施例将硬质塑料板加工成“L”型,作为标定采集点的直角定位片,并粘贴在金属样品的表面,在直角定位片的直角处滴加耦合剂(胶头滴管的一滴水)并将探头放置于直角定位片的直角拐点处,探头线对准直角拐点,确保每次放置探头时的位置,角度都保持一致。给探头施加一定的压力,保证探头与样品的表面紧密贴合且探头每次受到的压力相同,以便获取稳定的时域信号;每取一次信号,探头需要重新放置,并重新滴加耦合剂,每次耦合剂的用量尽可能保持一致。
标准信号的采集:为了获取更多该点的金属晶粒信息,在采集点采集25次标准信号;待识别信号的采集:与标准信号采集方式及条件相同,采集15次待识别信号。
在本示例中,相控阵系统每次探头落下采集会得到连续保存的100组数据。其中样品a采集25次超声信号,样品b与样品c各采集15次超声信号,得到5500个时域信号样本。选取其中4000个信号组成训练集,其中2000个样品a为标准样品,1000个样品b与1000个样品c为干扰样品,保存到相应文件夹中。剩余1500个信号组成测试集(样品a、样品b与样品c各500个),也相应进行保存。每次采集的时域信号如图3所示,是标准样品经过短时傅里叶变换之后金属标准试样的时频谱图。
2)将标准金属试样的时域信号和待识别金属试样的时域信号分别进行短时傅里叶变换处理,参见图5,将时域信号转换为时频谱图;将标准金属试样的时频谱图和待识别金属试样的时频谱图进行缩放;参见图4,其中,图4a为样品a的时频谱图,图4b为样品b的时频谱图,图4c为样品c的时频谱图。
3)构建卷积神经网络结构;
4)训练卷积神经网络:使用MATLAB的Deep Learning Toolbox进行网络的训练。具体的,将步骤2)缩放后标准金属试样的时频谱图输入卷积神经网络结构中组成训练集,在MATLAB中调用imresize()函数,使用双线性插值法调整频谱图尺寸的大小为227×227×3,输入卷积神经网络之中进行训练。设置卷积神经网络超参数,网络优化算法采用经典的动量随机梯度下降法,学习率随着训练轮次逐渐递减,其余超参数根据计算机性能以及训练集大小进行调整。
本实施例所使用的计算机配置如表1所示,训练超参数设置如表2所示,训练过程中的损失函数如图6所示;
表1训练超参数用的计算机配置
表2训练超参数设置
5)将缩放后待识别金属试样的时频谱图输入二分类卷积神经网络结构中进行识别,提取待识别金属试样的时频谱图的特征向量,判断待识别金属试样的时频谱图的特征向量是否与标准金属试样的时频谱图的特征向量相同,若相同,则待识别金属试样与标准金属试样相同,若不同,则待识别金属试样与标准金属试样不同。比较判断待识别金属试样与标准金属试样的识别结果,对识别结果进行评估,如图7和表3所示。
表3网络识别结果
通过图7和表3可以看出,本实施例提供的方法可以实现对成分相近、金属晶粒差异极小的不同金属材料之间的精准识别。
实施例2
实验样品:三个规格尺寸相同、成分相同、材料均为304不锈钢的金属容器样品,分别编号为a、b、c。实验时选取a样品作为标准样品,a、b、c号样品作为待识别样品,实验前在样品表面贴好直角定位片,以便确保每次采集信号时的探头放置的位置相同。
为尽可能保证实验条件相同,每取一次信号,需要重新滴加耦合剂(水),用量为一滴。
仪器装置连接:超声相控阵系统与计算机相连接,再将中心频率为5MHz的收/发探头与相控阵连接后置于待识别金属试样表面/标准金属试样表面,使收/发探头与金属试样/标准金属试样用耦合剂(水)耦合接触。操作相控阵软件,激励探头晶片发射超声波脉冲信号并接收到回波信号,最后将数据保存为.csv格式。
本实施例一种基于卷积神经网络识别金属材料的方法,其包括以下步骤:
1)按照超声采集的方法分别采集标准金属试样的时域信号和待识别金属试样的时域信号;
首先要确定在标准金属试样和待识别金属试样的金属材料表面确定信号采集的位置,本实施例将硬质塑料板加工成“L”型,作为标定采集点的直角定位片,并粘贴在金属样品的表面,在直角定位片的直角处滴加耦合剂(胶头滴管的一滴水)并将探头放置于直角定位片的直角拐点处,探头线对准直角拐点,确保每次放置探头时的位置,角度都保持一致。给探头施加一定的压力,保证探头与样品的表面紧密贴合且探头每次受到的压力相同,以便获取稳定的时域信号;每取一次信号,探头需要重新放置,并重新滴加耦合剂,每次耦合剂的用量尽可能保持一致。
标准信号的采集:为了获取更多该点的金属晶粒信息,在采集点采集50次标准信号。
待识别信号的采集:与标准信号采集方式及条件相同,在采集点采集50次待识别信号。
在本实施例中,相控阵系统每次探头落下采集会得到连续保存的100组数据。其中“样品a”样采集55次超声信号,“样品b”与“样品c”样本各采集25次超声信号,得到10500个时域信号样本。选取其中9000个信号组成训练集,其中5000个“样品a”样品为标准样品,2000个“样品b”样品与2000个“样品c”样品为干扰样品,保存到相应文件夹中。剩余1500个信号组成测试集(每种样品各500个),也相应进行保存。每次采集的时域信号如图8所示,其中,图8a表示样品a的时域信号,图8b表示样品b的时域信号,图8c表示样品c的时域信号。
2)将标准金属试样的时域信号和待识别金属试样的时域信号分别进行短时傅里叶变换处理,将时域信号转换为时频谱图;将标准金属试样的时频谱图和待识别金属试样的时频谱图进行缩放;参见图9,其中,图9a为样品a的时频谱图,图9b为样品b的时频谱图,图9c为样品c的时频谱图。
3)构建卷积神经网络结构;
4)训练卷积神经网络:使用MATLAB的Deep Learning Toolbox进行网络的训练。具体的,将步骤2)缩放后标准金属试样的时频谱图输入卷积神经网络结构中组成训练集,在MATLAB中调用imresize()函数,使用双线性插值法调整频谱图尺寸的大小为227×227×3,输入卷积神经网络之中进行训练。设置卷积神经网络超参数,网络优化算法采用经典的动量随机梯度下降法,学习率随着训练轮次逐渐递减,其余超参数根据计算机性能以及训练集大小进行调整。
本实施例所使用的计算机配置如表4所示,训练超参数设置如表5所示,训练过程中的损失函数如图10所示;
表4训练用的计算机配置
表5网络训练超参数设置
5)将缩放后待识别金属试样的时频谱图输入二分类卷积神经网络结构中进行识别,提取待识别金属试样的时频谱图的特征向量,判断待识别金属试样的时频谱图的特征向量是否与标准金属试样的时频谱图的特征向量相同,若相同,则待识别金属试样与标准金属试样相同,若不同,则待识别金属试样与标准金属试样不同。比较判断待识别金属试样与标准金属试样的识别结果,对识别结果进行评估,如图11和表6所示。
表6网络识别结果
通过图11和表6可以看出,本实施例提供的方法可以实现对成分相近、金属晶粒差异极小的不同金属材料之间的精准识别。
Claims (10)
1.一种基于卷积神经网络识别金属材料的方法,其特征在于,包括以下步骤:
1)分别采集标准金属试样的时域信号和待识别金属试样的时域信号;
2)将标准金属试样的时域信号和待识别金属试样的时域信号分别进行短时傅里叶变换处理,将时域信号转换为时频谱图;将标准金属试样的时频谱图和待识别金属试样的时频谱图进行缩放;
3)构建卷积神经网络结构;
4)将步骤2)缩放后标准金属试样的时频谱图输入卷积神经网络结构中进行训练,对网络参数进行更新,生成二分类卷积神经网络结构;
5)将步骤2)缩放后待识别金属试样的时频谱图输入步骤4)中训练好的二分类卷积神经网络中,提取待识别金属试样的时频谱图的特征向量,判断待识别金属试样的时频谱图的特征向量是否与标准金属试样的时频谱图的特征向量相同。
2.如权利要求1所述的基于卷积神经网络识别金属材料的方法,其特征在于,所述步骤2)具体为:
将标准金属试样的时域信号和待识别金属试样的时域信号分别进行短时傅里叶变换处理,将时域信号转换为875×656的通道数为3的RGB格式的时频谱图,利用双线性插值法将标准金属试样的时频谱图和待识别金属试样的时频谱图进行缩放。
3.如权利要求1所述的基于卷积神经网络识别金属材料的方法,其特征在于,所述步骤3)具体为:
3.1)构建基础层:
基础层包括多个基础单元,上一层基础单元的输出值为下一层基础单元的输入值,最终输出末层卷积层输出值;
3.2)构建Softmax层
通过Softmax函数将末层卷积层输出值转化为在[0,1]区间内的分布概率值Softmax(zm),进行分类,分类的表达是为:
zm为第m个神经元的输出值,z1为第1个神经元的输出值,z2为第2个神经元的输出值,为第m个神经元的输出值的指数形式,m是神经元的个数,为第1个神经元的输出值的指数形式,为第2个神经元的输出值的指数形式;
3.3)计算交叉熵损失函数:
交叉熵损失函数Loss是指卷积神经网络输出值与实际值的偏离函数,完成卷积神经网络结构的构建;
其中,交叉熵损失函数Loss的表达式为:
N表示样本的个数。
4.如权利要求3所述的基于卷积神经网络识别金属材料的方法,其特征在于,所述步骤3.1)具体为:
基础单元包括第一单元和第二单元,第一单元包括卷积层,第二单元包括激活层、最大池化层、局部响应规范层或随机失活层中的一种或两种以上的组合;第一单元的输出值为第二单元的输入值,所述第二单元内上一层的输出值为下一层的输入值;
所述卷积层的构建过程为:根据输入图片的尺寸构建卷积核,卷积核的网络参数随机进行初始化,初始化的网络参数随着网络训练进行迭代更新,形成新的特征值进行输出。
5.如权利要求4所述的基于卷积神经网络识别金属材料的方法,其特征在于,所述步骤4)具体为:将缩放后标准金属试样的时频谱图输入卷积神经网络结构中进行训练,对网络参数进行更新,生成二分类卷积神经网络结构,分别为与标准金属试样相同以及与标准金属试样不同。
6.如权利要求5所述的基于卷积神经网络识别金属材料的方法,其特征在于,所述卷积神经网络结构对缩放后标准金属试样的时频谱图的训练过程为:通过卷积神经网络结构中的各单元层对缩放后标准金属试样的时频谱图的特征信息进行层层提取,将图像信息抽象成为初步特征向量,通过反向传播网络的方式对网络参数进行多次修正,使得缩放后标准金属试样的初步特征向量被网络参数记录,形成缩放后标准金属试样的特征向量。
8.如权利要求7所述的基于卷积神经网络识别金属材料的方法,其特征在于,所述步骤5)具体为:将缩放后待识别金属试样的时频谱图输入二分类卷积神经网络结构中进行识别,提取待识别金属试样的时频谱图的特征向量,与训练完后形成的标准金属试样的时频谱图的特征向量进行对比,判断待识别金属试样的时频谱图的特征向量是否与标准金属试样的时频谱图的特征向量相同,若相同,则待识别金属试样与标准金属试样相同,若不同,则待识别金属试样与标准金属试样不同。
9.利用权利要求1所述的基于卷积神经网络识别金属材料的方法所形成的基于卷积神经网络识别金属材料的系统,其特征在于,包括时域信号采集模块、转换模块、卷积神经网络构件模块、标准金属试样训练模块以及识别模块,
所述时域信号采集模块:用于采集标准金属试样的时域信号和待识别金属试样的时域信号;
所述转换模块:用于将标准金属试样的时域信号和待识别金属试样的时域信号分别进行短时傅里叶变换处理,将时域信号转换为时频谱图;将标准金属试样的时频谱图和待识别金属试样的时频谱图进行缩放;
所述卷积神经网络构件模块:用于构建卷积神经网络结构;
所述标准金属试样训练模块:用于将缩放后标准金属试样的时频谱图输入卷积神经网络结构中进行训练,对网络参数进行更新,生成二分类卷积神经网络结构;
所述识别模块:用于将缩放后待识别金属试样的时频谱图输入训练好的二分类卷积神经网络结构中,提取待识别金属试样的时频谱图的特征向量,判断待识别金属试样的时频谱图的特征向量是否与标准金属试样的时频谱图的特征向量相同。
10.一种计算机可读存储介质,其特征在于,存储有程序文件,所述程序文件被执行实现如权利要求1-8任一项所述的基于卷积神经网络识别金属材料的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211213522.0A CN115586254B (zh) | 2022-09-30 | 2022-09-30 | 一种基于卷积神经网络识别金属材料的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211213522.0A CN115586254B (zh) | 2022-09-30 | 2022-09-30 | 一种基于卷积神经网络识别金属材料的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115586254A true CN115586254A (zh) | 2023-01-10 |
CN115586254B CN115586254B (zh) | 2024-05-03 |
Family
ID=84778049
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211213522.0A Active CN115586254B (zh) | 2022-09-30 | 2022-09-30 | 一种基于卷积神经网络识别金属材料的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115586254B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020054694A1 (en) * | 1999-03-26 | 2002-05-09 | George J. Vachtsevanos | Method and apparatus for analyzing an image to direct and identify patterns |
US20180068675A1 (en) * | 2016-09-07 | 2018-03-08 | Google Inc. | Enhanced multi-channel acoustic models |
CN108564005A (zh) * | 2018-03-26 | 2018-09-21 | 电子科技大学 | 一种基于卷积神经网络的人体跌倒辨识方法 |
US20180276540A1 (en) * | 2017-03-22 | 2018-09-27 | NextEv USA, Inc. | Modeling of the latent embedding of music using deep neural network |
CN109597043A (zh) * | 2018-11-16 | 2019-04-09 | 江苏科技大学 | 基于量子粒子群卷积神经网络的雷达信号识别方法 |
CN110185939A (zh) * | 2019-05-16 | 2019-08-30 | 西北工业大学 | 基于卷积神经网络的气体管道泄漏识别方法 |
CN110702042A (zh) * | 2019-10-15 | 2020-01-17 | 河海大学常州校区 | 一种超声脉冲回波测厚中信号混叠条件下的厚度估算方法 |
CN112162041A (zh) * | 2020-09-30 | 2021-01-01 | 陕西师范大学 | 一种基于幅度均方根值的高斯分布识别金属材料的方法 |
WO2021012752A1 (zh) * | 2019-07-23 | 2021-01-28 | 中建三局智能技术有限公司 | 一种基于脉冲神经网络的短程跟踪方法及系统 |
JP2021131272A (ja) * | 2020-02-18 | 2021-09-09 | 国立大学法人 東京大学 | 物質識別装置 |
US20210387706A1 (en) * | 2020-06-12 | 2021-12-16 | Wärtsilä Finland Oy | Apparatus and computer implemented method in marine vessel data system for training neural network |
CN114881938A (zh) * | 2022-04-20 | 2022-08-09 | 山东省科学院激光研究所 | 基于小波分析和神经网络的晶粒度检测方法及系统 |
CN115101149A (zh) * | 2022-06-30 | 2022-09-23 | 曲阜师范大学 | 材料微观结构总能量预测方法 |
-
2022
- 2022-09-30 CN CN202211213522.0A patent/CN115586254B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020054694A1 (en) * | 1999-03-26 | 2002-05-09 | George J. Vachtsevanos | Method and apparatus for analyzing an image to direct and identify patterns |
US20180068675A1 (en) * | 2016-09-07 | 2018-03-08 | Google Inc. | Enhanced multi-channel acoustic models |
US20180276540A1 (en) * | 2017-03-22 | 2018-09-27 | NextEv USA, Inc. | Modeling of the latent embedding of music using deep neural network |
CN108564005A (zh) * | 2018-03-26 | 2018-09-21 | 电子科技大学 | 一种基于卷积神经网络的人体跌倒辨识方法 |
CN109597043A (zh) * | 2018-11-16 | 2019-04-09 | 江苏科技大学 | 基于量子粒子群卷积神经网络的雷达信号识别方法 |
CN110185939A (zh) * | 2019-05-16 | 2019-08-30 | 西北工业大学 | 基于卷积神经网络的气体管道泄漏识别方法 |
WO2021012752A1 (zh) * | 2019-07-23 | 2021-01-28 | 中建三局智能技术有限公司 | 一种基于脉冲神经网络的短程跟踪方法及系统 |
CN110702042A (zh) * | 2019-10-15 | 2020-01-17 | 河海大学常州校区 | 一种超声脉冲回波测厚中信号混叠条件下的厚度估算方法 |
JP2021131272A (ja) * | 2020-02-18 | 2021-09-09 | 国立大学法人 東京大学 | 物質識別装置 |
US20210387706A1 (en) * | 2020-06-12 | 2021-12-16 | Wärtsilä Finland Oy | Apparatus and computer implemented method in marine vessel data system for training neural network |
CN112162041A (zh) * | 2020-09-30 | 2021-01-01 | 陕西师范大学 | 一种基于幅度均方根值的高斯分布识别金属材料的方法 |
CN114881938A (zh) * | 2022-04-20 | 2022-08-09 | 山东省科学院激光研究所 | 基于小波分析和神经网络的晶粒度检测方法及系统 |
CN115101149A (zh) * | 2022-06-30 | 2022-09-23 | 曲阜师范大学 | 材料微观结构总能量预测方法 |
Non-Patent Citations (3)
Title |
---|
卢康 等: "基于小波包变换的金属材料超声防伪识别", 《无损检测》, vol. 39, no. 07, 10 July 2017 (2017-07-10), pages 23 - 28 * |
由育阳: "《数据挖掘技术与应用》", 30 June 2021, 北京:北京理工大学出版社, pages: 99 - 107 * |
赵小强,张青青: "改进Alexnet的滚动轴承变工况故障诊断方法", 《振动、测试与诊断》, vol. 40, no. 03, 30 June 2020 (2020-06-30), pages 472 - 480 * |
Also Published As
Publication number | Publication date |
---|---|
CN115586254B (zh) | 2024-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Niu et al. | Deep-learning source localization using multi-frequency magnitude-only data | |
CN108229404B (zh) | 一种基于深度学习的雷达回波信号目标识别方法 | |
CN110414554A (zh) | 一种基于多模型改进的Stacking集成学习鱼类识别方法 | |
Lin et al. | Detection of gravitational waves using Bayesian neural networks | |
CN111811617B (zh) | 一种基于短时傅里叶变换和卷积神经网络的液位预测方法 | |
CN111983619B (zh) | 一种基于迁移学习的水声目标前向散射声扰动定位方法 | |
CN114758230A (zh) | 基于注意力机制的地下目标体分类识别方法 | |
CN112990082B (zh) | 一种水声脉冲信号的检测识别方法 | |
Yang et al. | Detection and classification of damaged wheat kernels based on progressive neural architecture search | |
Yang et al. | Classification of odontocete echolocation clicks using convolutional neural network | |
CN115273050A (zh) | 一种深度可分离融合卷积神经网络的有限样本弹道目标识别方法 | |
Duysak et al. | Determination of the amount of grain in silos with deep learning methods based on radar spectrogram data | |
Sun et al. | Robust high-resolution direction-of-arrival estimation method using DenseBlock-based U-net | |
Liu et al. | Application and challenges of signal processing techniques for Lamb waves structural integrity evaluation: Part B—Defects imaging and recognition techniques | |
CN115586254A (zh) | 一种基于卷积神经网络识别金属材料的方法及系统 | |
CN108983187A (zh) | 基于ewc的在线雷达目标识别方法 | |
CN110779477B (zh) | 一种用于实时识别物体形状的声学方法 | |
Zhao et al. | Ultrasonic guided wave inversion based on deep learning restoration for fingerprint recognition | |
Bagwe et al. | Automated Radar Signal Analysis Based on Deep Learning | |
Kuc | Artificial neural network classification of surface reflectors and volume scatterers using sequential echoes acquired with a biomimetic audible sonar | |
Kuc | Artificial neural network classification of foliage targets from spectrograms of sequential echoes using a biomimetic audible sonar | |
CN108830843A (zh) | 基于阵元稀疏优化及新边缘指导插值的超声相控阵稀疏全聚焦成像方法 | |
Gong et al. | Lightcnn: A compact cnn for moving maritime targets detection | |
Shao et al. | Signal classification for ground penetrating Radar using sparse kernel feature selection | |
Roberts et al. | Multiple angle acoustic classification of zooplankton |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |